Causal Inference under Interference with Learned Exposure Mappings

Technisches Resümee: Kausale Inferenz unter Interferenz mit gelernten Expositionsabbildungen

Problemstellung
In der kausalen Inferenz unter Interferenz ist die „Expositionsabbildung“ (exposure mapping) eine kritische Komponente, die definiert, wie Behandlungen, die einer Einheit zugewiesen werden, die effektive Exposition anderer Einheiten beeinflussen. Traditionelle Frameworks gehen typischerweise davon aus, dass diese Abbildung a priori bekannt ist und oft über feste geografische Distanzen oder Netzwerkstrukturen spezifiziert wird. In Umweltanwendungen – etwa bei der Analyse der gesundheitlichen Auswirkungen von Luftreinhaltungsmaßnahmen – ist die Expositionsabbildung jedoch nicht direkt beobachtbar. Stattdessen wird sie durch latente atmosphärische Transportprozesse induziert, die aus Luftverschmutzungsdaten erlernt werden müssen.

Dies schafft eine fundamentale Herausforderung: Während verschiedene Transportmodelle (mechanistische PDEs, Physics-Informed Neural Operators, Fourier Neural Operators und Foundation Models) möglicherweise eine ähnliche Vorhersagegenauigkeit bei der Prognose beobachteter Schadstoffkonzentrationen erreichen, können sie unterschiedliche zugrunde liegende Transportoperatoren implizieren. Folglich können diese Modelle unterschiedliche Expositionsabbildungen generieren, was zu divergierenden kausalen Schlussfolgerungen hinsichtlich Spillover-Effekten führt. Die vorliegende Arbeit untersucht, ob die prädiktive Übereinstimmung unter Transportmodellen für eine zuverlässige kausale Inferenz ausreicht, wenn Expositionsabbildungen gelernt und nicht beobachtet werden.

Methodik
Die Studie verwendet ein Framework, in dem ein Transportoperator $T$ einen Interventionsvektor $A$ (Emissionsreduktionen) auf eine Expositionsabbildung $E(T) = TA$ abbildet. Die kausale Zielgröße ist der Spillover-Effekt auf Gesundheitsergebnisse $H$, der als Funktion der direkten Intervention und der Spillover-Exposition modelliert wird.

Der Autor vergleicht vier verschiedene Transportmodellierungsansätze:

1. Mechanistisches PDE: Ein Advektions-Diffusions-Partialdifferentialgleichungsmodell.
2. PINO: Physics-Informed Neural Operators.
3. FNO: Fourier Neural Operators.
4. GeoPT: Ein aktuelles Foundation Model für geophysikalischen Transport.

Die Evaluierung erfolgt in zwei Stufen:

• Simulationsstudie: Ein latenter „wahrer“ Transportoperator $T^*$ generiert die Schadstoffdynamik. Kompetitive Modelle werden auf das resultierende beobachtete Schadstofffeld gefittet. Die Studie bewertet die Fähigkeit jedes Modells, die Verschmutzung ($PM$) vorherzusagen, die wahre Expositionsabbildung zu rekonstruieren und den wahren Spillover-Effekt zu schätzen.
• Empirische Analyse: Die Modelle werden auf kalifornische $PM_{2.5}$-Daten angewendet. Die Analyse untersucht, wie unterschiedliche Transportannahmen die inferierten Spillover-Muster unter hypothetischen Maßnahmen zur Luftreinhaltung beeinflussen, ohne den Anspruch zu erheben, den einzelnen „wahren“ atmosphärischen Prozess zu identifizieren.

Wichtigste Ergebnisse

• Prädiktive Äquivalenz vs. Kausale Divergenz: In Simulationen erreichten alle vier Modelle eine nahezu identische Vorhersagegenauigkeit der Verschmutzung ($R^2$ zwischen 0,970 und 0,975). Ihre geschätzten Spillover-Effekte variierten jedoch signifikant und reichten von 1,78 bis 2,27. Das Modell, welches die Expositionsabbildung am genauesten rekonstruierte (FNO), produzierte die dem wahren Wert am nächsten liegende Spillover-Schätzung.
• Expositionsabbildungsgenauigkeit als Prädiktor: Die Studie fand heraus, dass die Genauigkeit bei der Rekonstruktion der Expositionsabbildung ein stärkerer Prädiktor für die inferenzielle Leistung war als marginale Verbesserungen in der Vorhersagegenauigkeit der Verschmutzung. Modelle mit größeren Fehlern in der Expositionsabbildung (z. B. PINO, GeoPT) produzierten größere Abweichungen in den Spillover-Schätzungen.
• Interventionssensitivität: Die Auswirkung der Unsicherheit in der Expositionsabbildung hing stark vom Typ der Intervention ab:
  • Regionale Interventionen: Zeigten eine moderate Uneinigkeit zwischen den Modellen (Spillover-Bereich: 1,79–2,42).
  • Upwind-Interventionen (oberstromig): Zeigten die geringste Uneinigkeit (Bereich: 1,93–2,13).
  • Lokalisierte Punktquellen-Interventionen: Zeigten eine erhebliche Uneinigkeit, wobei die geschätzten Spillover-Effekte von 0,51 (PDE) bis 1,56 (GeoPT) reichten – ein dreifacher Unterschied.
• Empirische Befunde (Kalifornien): Die Analyse der kalifornischen $PM_{2.5}$-Daten spiegelte die Ergebnisse der Simulationsstudie wider. Während konkurrierende Modelle ähnliche Vorhersagen der beobachteten Konzentrationen lieferten, implizierten sie unterschiedliche Spillover-Muster und identifizierten unterschiedliche Orte als besonders betroffen von Interventionen. Bemerkenswerterweise blieben, obwohl die Spillover-Schätzungen variierten, die geschätzten Gesamteffekte der Interventionen stabil (Bereich von 0,303 bis 0,305), was darauf hindeutet, dass die Transportunsicherheit eher das mechanistische Verständnis als die Vorhersage des aggregierten politischen Impacts beeinflusst.

Bedeutung und Behauptungen
Das Paper argumentiert, dass prädiktive Übereinstimmung allein nicht ausreicht, um eine zuverlässige kausale Inferenz zu gewährleisten, wenn Expositionsabbildungen gelernt werden. Der Kernbeitrag besteht darin, aufzuzeigen, dass Modelle, die die beobachteten Daten gleichermaßen gut beschreiben können, unterschiedliche Expositionsabbildungen induzieren, was zu substanziell unterschiedlichen Schlussfolgerungen über Spillover-Effekte führt, insbesondere bei lokalisierten Interventionen.

Der Autor behauptet:

1. Expositionsabbildungen sollten als geschätzte Größen behandelt werden und nicht als feste Designobjekte, was die Notwendigkeit mit sich bringt, die Unsicherheit aus dem Lernprozess des Transports in nachgeschaltete kausale Analysen zu propagieren.
2. Die Evaluationskriterien für Transportmodelle in kausalen Kontexten müssen über die Vorhersagegenauigkeit hinausgehen und die Stabilität sowie Zuverlässigkeit der induzierten Expositionsabbildungen einschließen.
3. Die Unsicherheit in gelernten Transportprozessen ist bei gezielten Interventionen am relevantesten, wo das lokale Transportverhalten einen stärkeren Einfluss auf die nachgeschaltete Exposition hat als breite regionale Interventionen.

Die Studie kommt zu dem Schluss, dass kausale Schlüsse bezüglich der Spillover-Effekte ohne Berücksichtigung der Unsicherheit in den gelernten Transportprozessen unzuverlässig sein können, selbst wenn die zugrunde liegenden Modelle in Bezug auf die prädiktive Leistung als ununterscheidbar erscheinen.